106. 和王鹤聊，具身智能的学术边缘史和资本轰炸后的人为乱象
摘要
具身智能未来五年的验真标准不是 demo，而是头部企业能否形成“当年一万台”规模的自主生产力。 王鹤判断，若中美同行届时仍迈不过万台，产业周期会被大幅拉长、资本信心可能转冷，“我们这领域被证伪了，泡沫全是泡沫”；这是衡量今日高估值最硬的里程碑。
银河通用押注的是“生产力级产品”：先用成熟轮式底盘、双七自由度机械臂和谐波减速器，把移动、抓取、放置做成可复制方案，再逐步扩技能。 公司2023年5月成立，战略轮正在 close，估值已超过10亿美元；2025年计划千台级量产，王鹤认为现有硬件收敛后至少可支撑十万台，而无人药店里的机器人已按一天20多个小时的强度运行。
真实采集目前还不能独立支撑通用VLA：一万台全尺寸人形机器人仅制造成本就至少约10亿元，叠加每台多班遥操、标注和质检，月度维护可能达到数亿元乃至10亿元。 银河训练数据中的真实数据占比约1%甚至更低，主体来自自研合成数据管线；其逻辑不是否定真实数据，而是先靠 synthetic data 做到约98%成功率，再用现场回流和强化学习修补剩余错误。
VLM弱于LLM、VLA又更难，王鹤给出的核心解释都是数据覆盖率，而非“语言才是智能本质”。 互联网文字已覆盖人类可能表达内容的很大部分，公开图像只覆盖人眼所见的一小部分，机器人 action 数据更是近两年才开始积累；因此“一两年内做出完全通用VLA”在他看来不可能，现实路径是先实现行业场景内的充分泛化。
机器人的商业分水岭不是技能演示数量，而是部署到下一家客户时边际开发成本能否显著下降。 一端是多年“长期漂浮”、靠编排或遥操拍视频却没有常态化产出；另一端是每换物料、工厂或门店就重新开发的项目制苦力活，收入做到几亿元也很难形成高质量规模。银河选择在货架、药店和工业分拣中跨品牌、跨门店、跨新品复制同一套能力。
行业正在消耗信用，最基本的验真顺序应是“公开展示，而且不允许遥操”，再看每天真实工作量和长期运营记录。 王鹤以Figure的高估值为例拆成两面：若机器人真能稳定进入产线，长期价值可能达到数万亿美元；若只有十几二十台、没有常态化运行，且工作方式并非其宣称的方法，数百亿美元估值就缺乏生产力实证。
中国推动具身生产力不仅是产业机会，也是劳动力约束下的时间窗口。 王鹤担心老龄化、少子化可能令未来十至二十年的可用劳动力降至今天一半以下；即使把中国、日本及周边国家的人口加在一起，也不足以补足中国未来的劳动力缺口。家用机器人则会先以“轻干活、重陪伴和娱乐”的小批量产品出现，他估计未来三到五年可能看到 pilot，而真正通用仍是几十年的持续演进。
精读
1. 具身智能在中国从“搜不到”走到了十亿美元估值
银河通用成立于2023年5月，王鹤称战略轮正在 close，估值已超过10亿美元；他当时33岁。张小珺判断他的MBTI应为ENTJ；王鹤同时担任公司创始人、CTO和北京大学助理教授。
王鹤在2020年底拿到北大 offer，2021年回国后把实验室命名为 Embodied Perception and Interaction Lab，称其为大陆最早以“具身”命名的实验室之一；当时中文互联网甚至很难搜到“具身智能”。
2022年前后，北京智源研究院请他主持论证这一方向是否值得投入。讨论认为，互联网已有数据可以训练虚拟数字环境中的能力，但物理世界的智能需要身体与环境交互产生的数据，因此智源随后成立具身智能研究中心。
2. Embodied AI最初区分的不是机器人品类，而是知识来源
王鹤回溯的学术定义是“Internet AI versus Embodied AI”：前者从互联网既有数据中挖掘知识，后者从身体与环境的交互中产生数据，既可以在遵循物理规律的 simulator 里交互，也可以来自真实世界。
“Embodied AI”作为共识词汇形成得很晚。他记得2018或2019年前后的计算机视觉 workshop 仍常讲 embodied agent，到2020年美国学术圈才开始稳定使用 Internet AI 与 Embodied AI 的对照。
2020年，他与苏昊、易立等学者组织了 Simulation Technology for Embodied AI workshop，讨论怎样用合成仿真推进具身智能；到2021年，这个词在美国已很普及，国内才刚露出水面。
3. 具身智能首先是计算机视觉对“被动感知”的反叛
这一概念主要由计算机视觉学者推起：ImageNet、识别和语义分割依赖互联网图片及人工标注，当范式逐渐固定，下一步自然变成“用视觉赋能机器人”，从数字视觉走向机器人的视觉。
传统机器人阵地则分散在 Mechanical Engineering、control、CS、EE乃至航空航天，分别处理硬件、控制、路径规划、滤波和嵌入式系统。王鹤引用一句老话：“机器人没有自己独立的科学问题”，它更像把多个学科装进一个系统。
因此，早期用强化学习控制四足机器人未必会自称具身智能：在控制学者看来，神经网络、MPC或PID都只是控制方法，输入仍是关节角、IMU等 proprioceptive information；真正引发新叙事的是视觉从 passive perception 走向主动观察和与环境交互。
4. 语言提升了智能，却不是智能存在的必要条件
张小珺提出“语言即智能”、视觉本身不产生智能的疑问，王鹤明确反对：虫子会逃避攻击，动物会觅食、避敌、导航和控制身体，今天很强的VLA未必能达到这些能力，不能因其不会说话就否认智能。
他的定义很朴素：智能是“依情况做相应 reaction”，在环境给出不同挑战和需求时采取行动并达成目标。虫子躲手是低维短程反应，人在职业困境中拆解问题是高维长程反应，本质都是与环境交互。
语言更像高级智能的一次跃变：它把交流压缩成一维序列，帮助知识传播、组织思维和长程规划，但不是智能本质。视觉也只是一种 sensor；部分生物不用眼睛，仍能靠温觉等更细微的方式感知环境。
5. 导航用最小代价建立了perception-action loop
具身智能最早广泛传播的任务之一是 object-goal navigation：把机器人放进未见过、没有预建地图的仿真环境，只给出“一把椅子”等目标，让它自主寻找。
关键不是找到椅子本身，而是“perception-action loop”：机器人先依据视觉决定 action，移动改变自身坐标和相机画面，新 perception 又触发下一步行动。Internet AI识别完“这是猫”便结束，闭环智能必须让行动带来新的环境反馈。
操作物体当然也能改变环境，但当时涉及复杂物理接触；导航只需移动观察者，最贴近视觉学者当时较容易研究的路径。更早的单步抓取往往只是看点云、预测抓取位姿、执行后结束，本质仍是开环的三维模式识别。
6. 导航、Robot Learning和大模型最终汇成同一条主线
CoRL在2017年成立时已经表明 learning 对 robotics 的重要性，却未以 Embodied AI 为旗帜，因为 robot learning 可以不含视觉，也不一定形成闭环；同期大量 grasping 工作仍被视为一次性的几何推理。
Meta等机构后来通过 Habitat 仿真器和持续升级的任务，把导航塑造成具身智能的第一项任务；研究随后重新回到闭环 manipulation，再把导航和操作连接起来，最后由大模型打开指令空间。
王鹤认为几个公开表达完成了学术与产业的“定名”：李飞飞把具身智能列为计算机视觉未来的北极星之一，黄仁勋则称行业正处于下一代AI——Embodied AI——的边缘。声量让原本割裂的视觉、控制和机器人学习群体开始相互吸纳。
7. 美国年轻学者在ChatGPT之前就已集体转向具身
王鹤回忆，2019年前后准备进入教职市场的视觉和强化学习学者已明显向机器人靠拢。Skild AI创始人Deepak和Abhinav Gupta便来自这条学术路径；Deepak早期最知名的工作是 curiosity-driven exploration。
好奇心奖励解决的是稀疏反馈：马里奥若只有通关得1、死亡得-1，中间全是0，强化学习几乎探索不到终点；模型于是奖励“自己预测偏差大的地方”，驱动角色持续发现意外状态。
2019年王鹤在FAIR Robotics Team实习时与Deepak有过交集，也在仿真中尝试用A3C这类强化学习方法做桌面物体操作。项目因实习只有三个月没有发表，却强化了他对闭环 manipulation 的判断。
8. 2016年的第一个AI项目已经隐含world model
王鹤在斯坦福的首个AI项目名为 Learning a Generative Model of Multi-Step Human-Object Interaction from Videos：团队自己拍摄桌面操作视频，标注动作区间，再用LSTM学习动作顺序及物体状态变化。
模型要连接“人做了什么—世界怎样改变—下一步允许做什么”：空瓶不能倒水，装满后可以；手是空的、抓着东西，杯盖开着、关着，都会改变下一动作的概率。这实际上已是一个早期 world model。
成果一端是多步三维动画：拿壶、倒水、放壶、递杯；另一端是会自动行驶的 smart cup。它看到人拿起有水的瓶子便驶近准备接水，空瓶或一本书则不会触发，逻辑来自视频学习而非手写规则。
9. 从半导体转向AI，是一次对研究节奏的主动选择
王鹤通过物理竞赛保送清华，本科研究半导体物理和器件物理；原来的习惯是先手工建立数学模型，再用实验数据 fitting，最后预测新 case。他说这与机器学习结构相似，只是拟合器由物理方程而非神经网络构成。
2015年进入斯坦福后，他一度在 clean room 做锗晶体管、光刻和离子束刻蚀：一个想法往往需一个月才能加工验证，且手工操作充满偶然性。他曾用镊子把芯片掉进氢氟酸，刻蚀过度便只能从头再来。
“想得很快，干得很慢”不符合他的思维方式，于是他离开已投入七八年的物理路线，转到导师Leo团队，与图形学博后研究 physical interaction。首个复杂系统仍用Caffe搭建，没有成熟范式可抄。
10. 真正稀缺的研究能力是定义问题，而非单纯写码
当时Leo组有9名学生竞争2个博士名额，其中不乏清华、上交计算机科班尖子。王鹤承认自己的编码马力不占优，能留下靠的是把模糊设想 formulate 成可学习的问题。
他需要决定哪些物体状态必须提取、如何分割视频、怎样训练各类别 detector 和 state classifier，再用时序网络连接因果；向导师汇报时，他画出的核心图是“state—action—change world—state”。
这篇工作从2016年做到发表横跨数年，两次投稿SIGGRAPH未中，直到2019年Eurographics才接收并获最佳论文提名。
11. 第二个项目把实例位姿推广成了类别级理解
王鹤后来承认，第一个项目设想的“完全从视频学习”和通用 world model，今天仍未成为最能推进落地的技术；真正延续至银河通用的方法，是第二个项目采用的合成数据。
传统6D pose estimation要求预先给出某个具体物体的三维模型、坐标原点和xyz轴，再预测其相对旋转和平移；但这意味着每只马克杯都要单独建模，无法处理没见过的同类实例。
类别级位姿估计改用人类共享的 canonical state：不管杯身图案如何，人都能说一排杯子“杯口冲上、杯柄冲右”。模型因此只需知道它属于马克杯类别，便能相对该类别的正常方位描述新实例。
12. 宜家背景加数字马克杯，做出了可迁移的训练集
类别级任务没有现成真实数据，一个博士生也不可能拍遍无穷多个马克杯并逐张标6D位姿。王鹤于是带RGB-D相机去湾区宜家，拍摄真实桌面、床和各种平面及其深度，并提取可放置物体的平面。
他把数字资产中的马克杯渲染到真实背景上：背景是真、前景是假，渲染过程自动提供Ground Truth位姿，由此得到几十万张 mixed reality 图片，再进行 mix-to-real 测试。
该工作成为2019年CVPR oral，并以NOCS（Normalized Object Coordinate Space）等概念推动类别级位姿估计成为一个研究方向。到2021年，CVPR已有对应投稿子领域，文章被很多人反复刷榜，数据集和合成数据也成为机器人视觉里的经典数据集。
13. 回国all in具身，是逆着当时的国内共识下注
2020年初，李开复曾建议熟悉三维视觉、激光雷达和点云的王鹤去做自动驾驶。王鹤回答自己想研究更丰富的人与物体、手与物体以及机器人与物体的交互和 home robot，对方几乎立即判断：“家用机器人还有五十年”，不适合当时投资。
王鹤并不否认时间很长，只认为自己可以先在学术界研究 next wave。回北大后，资深老师也建议至少留一半精力在三维视觉，但他实际“就是没听”，把团队押向机器人和闭环交互。
国内最早的盟友是同门卢策吾：南方由卢策吾、北方由王鹤推动“具身智能”概念，两人参与早期文章和CCF词条建设。王鹤写下《在燕园探索具身智能》，试图为中文语境补上一套叙事。
他把目标概括为“能够在物理世界交互的通用智能体”，名称本身并不重要；从人类视频学习交互、感知物体运动状态到家用机器人，是同一条研究线的不同阶段。
14. 家用机器人是终局，但中国提供了更强的主人翁空间
王鹤选择 home robot 的理由首先是空间最大：自动驾驶只解决外部世界的开车，家庭则需要一个能做家务、服务人的通用实体。Google Everyday Robots曾是他向别人展示这一愿景时最常用的参照图。
他没有留在Google或FAIR，是因为实习体验让他觉得大公司研究者更像“螺丝钉”，难以决定方向；作为亚裔男性，他也认为美国的发展空间并不友好，而北京既是故乡，回国做事更有主人翁感。
在北大，他可以立即组建自己的团队，把三维视觉与强化学习结合，并拿到首届ManiSkill Challenge全球冠军。选择教职不是暂避产业，而是为尚未成熟的家用机器人积累技术和自主权。
15. ChatGPT和PaLM-E把“通用”重新写进资本模型
ChatGPT之前，具身智能最大的问题是每项技能都要重新采数据，做完只能解决一个物理任务，边际成本不下降；它可以是一种机器人方法，却很难被看成革命性的通用技术。
PaLM-E出现后，产业看到“图文大模型当脑、调用小模型干活、接受开放指令”的范式。王鹤强调，按今天严格标准PaLM-E甚至不算真正 embodied，因为它不直接输出 action，但故事已足以打开想象力。
一旦家用机器人真能通用，王鹤给出的市场比喻是“比车贵，比手机量大”，可能成为世界第一产业。智源具身智能中心早于ChatGPT成立，但PaLM-E让投资人在2023年开始寻找国内 embodied AI 团队。
16. 银河通用成立的前提是补上硬件能力
最早有人劝王鹤创业时，他连续拒绝：管理公司尚可寻找分工，真正的硬伤是自己不做硬件，而当时买到的轮式、足式或带手平台连基本执行都不稳定，“不知道说智能了，执行都执行不了”。
2023年初，IDG管理合伙人李骁军等投资人已到北大静园与他讨论方向是否靠谱；王鹤的条件始终是，必须有人补上本体和量产能力，不能把软件建立在“所有硬件都是垃圾”的地基上。
滕舟拥有ABB机器人量产及初创公司桌面机器人经验，双方结合后才形成软件、硬件和CEO的创业分工。王鹤把二者关系称为“螺旋上升”：本体决定智能能否执行，智能又决定硬件是否产生价值。
17. 轮式双臂不是保守，而是为量产主动降复杂度
银河现阶段采用轮式底盘、双七自由度机械臂和谐波减速器，核心零部件大多已在过去十年得到验证；没有立即使用特斯拉式腿部、行星滚柱丝杠或绳驱等尚未大规模量产的方案。
未经量产的零部件要同时面对良率、一致性、可靠性和耐用性，任何一件失效都会令整机停摆。王鹤认为，在智能尚是主要卡点时再叠加激进硬件，只会拖慢出货、返修和商业化迭代。
轮式底盘直径约60厘米，确实无法穿越家庭里的狭窄空间，却足够覆盖商超和工厂。To B客户只问“干没干活、能否比人工作更久、做得更好”，不在乎机器人究竟用腿还是轮子，因此“更精准地说是务实”。
18. 机器人必须依次迈过千台、万台和十万台
王鹤提醒，全球工业机械臂上一年总产值约1000亿元人民币，大致相当于一家头部车企；商业清洁机器人头部公司一年也只卖一两万台。具身机器人达到万台，本身已是机器人行业的现象级规模。
任何产品未到几十万、最好上百万产量，都很难称为经过大规模量产。即使汽车工业已有百年历史，新车型仍会暴露良率和可靠性问题；历史上从未量产过的人形机器人更不可能跳过这些台阶。
银河2025年的计划是千台级量产。王鹤判断，现有轮式本体进一步收敛后，至少支撑十万台、甚至到百万台“没有任何问题”，潜在场景包括商超上下货、药店、工业抱箱码箱、上料和分拣。
无人药店要求机器人一天工作20多个小时，与现场遥操五分钟便下场的演示是两种产品。银河认为自己的本体之所以迭代更充分，正因为它已经在这种强度下暴露并修复问题。
19. VLM与VLA的瓶颈首先是世界没有被充分记录
王鹤解释LLM强，不只是模型结构，而是互联网文字已经覆盖人类可能说出的语言的很大比例；公开图片和视频相对全球70亿人每天眼睛所见，只记录了很小一部分。
因此VLM给它任何图片并非都能看懂，表现显著弱于LLM；VLA所需的action数据更是近两年才开始采集，覆盖率还要低得多。通用性不能从语言模型直接外推到物理操作。
他给出明确判断：一两年内做出完全通用VLA，“至少从学术界和从我个人的认知来说是不可能的”。务实目标应是围绕可复制应用发展智能，使模型覆盖该应用需要的全部行为。
20. 先限定技能，再把物体和环境的泛化做深
银河当前聚焦移动、抓取、放置几种 atomic action，不急于同时解决钻孔、剪切、魔方等技能；但要求同一能力能处理气泡水、咖啡或饮料等不同物体，并跨7-Eleven、FamilyMart、Lawson及不同药店部署。
机器人已经是闭环系统：VLM能理解货架上商品是否放倒、放歪或掉落，动作侧可以从地面或货架捡起并重新摆放。若要求撕开一袋软糖，它能看懂、能拿下来，但因未训练撕裂动作而不会执行。
王鹤称这类系统为“行为受限的物理智能体”。限制来自操作数据而非视觉完全不理解；技能库未来会扩展，但必须先让最关键的少数技能构成完整或人机协作的solution。
21. “长期漂浮”和项目制苦力都是商业死路
第一种陷阱是多年讲人形故事，拥有许多看似丰富的技能，却依赖人工编排、遥操或专门为拍摄制作的流程，没有任何常态化商业应用；王鹤称其为“长期漂浮”。
第二种陷阱是把单一客户的所有动作逐个做完，但每换工厂、物料或门店就重新建模、开发和交付。只要每个项目都消耗恒定人力，规模虽可依靠堆人交付，却不可复制。
工业视觉已证明这种模式做到几亿元收入便可能触顶。银河要做的是一个货架方案打进所有门店、每天上新品仍能 handle；单一货架场景即可容纳几万台，叠加搬运和分拣则可能达到几十万台。
22. 复杂系统会把市场份额推向极少数头部
张小珺追问几十万台需求不可能由一家独占，王鹤的回应是机器人行业“头部效应是很重的”：工业机械臂有“四大家族”，商业清洁机器人真正达到万台的玩家也只有高仙、普渡等少数公司。
原因不是品牌营销，而是系统复杂度。一台清洁机器人可能因定位丢失闯入电梯、被施工围挡绊倒、水箱出问题而流满商场；做好这一种产品，高峰期也可能需要近2000人围绕硬件、软件和服务持续修复。
汽车有约3000万台级市场、成熟供应链和百年工业积累，尚且不断淘汰厂商；具身机器人既未量产、技术又未成熟，头部与中腰部在资金、人才和迭代数据上的差距反而更难弥合。
23. 万台真实采集是一笔当前没人承担得起的账
自动驾驶数据来得快，是因为车本身有功能，用户买车后还免费替厂商在道路上产生数据，甚至可称为“负成本”。尚无功能的机器人无法用同样方式卖出一万台，再指望客户持续替厂商遥操。
按王鹤估算，全尺寸人形机器人最低制造成本约10万元，一万台仅本体就要10亿元；每台若两班倒、每班两人，再加标注和质检，单台月度人员支出便是数万元，整套系统每月可能花数亿元到10亿元。
他认为若完全依赖真实数据，一万台是较合理的采集门槛，但“全世界没有人能这么干”。美国公司的能力多以视频呈现，难以开放现场长期检验，因此不能仅凭视频判断其已经具备常态化生产力。
机器人本体还在快速改版，一家公司一年可能迭代多版，几个月后动力学结构都不同；因此不能把早期机器当作可稳定使用十年的汽车，简单攒出一万台也不等于获得同分布数据。
24. 合成数据在银河的训练中已经“挑起大梁”
银河公开展示货架VLA、运营一天20多个小时的无人药店，底层原因是“不完全依赖真实数据”。王鹤称真实数据只占训练数据约1%甚至更低，主要工作由自研 synthetic data pipeline 完成。
这套优势不是靠扩团队人数获得：从2017年NOCS工作算起，他处理合成数据和sim-to-real已有约8年。视觉gap、physics gap、content gap以及机器人控制模组的偏差，都需要逐项 examination 和修复。
王鹤直指行业里一种销售闭环：“我不信合成数据，我告诉你合成数据没用，你就给我买我的机器，然后你就去摇。”他认为部分公司自己也使用仿真，只是管线没做好，失败后便把“不work”归因于路线本身。
25. Sim-to-real已经成立，争论转向哪些物理过程能迁移
对“仿真物理不真实，所以sim-to-real不可能”的反驳，是当下人形机器人的行走、跑步和跳跃都依赖仿真器中的大规模强化学习；宇树等运动能力已经证明本体状态和接触动力学可以迁移。
质疑者于是把边界移到视觉。王鹤举出银河2023年的工作：透明、碎玻璃片等材质的抓取可以完全用合成数据训练并迁入真实世界，说明小模型阶段也能系统性缩小视觉差距。
到基于VLM的VLA阶段，他更不认为渲染纹理是根本障碍：能看懂真实世界的VLM同样看得懂唐老鸭、米老鼠和电影动画，物理渲染与实拍的差距远小于动画与现实；模型真正要学的是操作过程及其因果。
26. 合成数据有明确边界，现场回流负责最后两个点
王鹤承认physics gap没有消失：脚踏地面的过程较单一，操作却包含柔性、压缩、多点多面接触、断裂等复杂现象。银河判断现有仿真足以覆盖 move、pick、place，并已尝试灵巧手、叠衣服和挂衣服。
系鞋带涉及复杂柔性接触，现阶段很难仿真得足够真实；撕纸、剪纸虽有研究，也未必值得优先产品化。商超方案不需要系鞋带或撕软糖袋，暂时不做并不妨碍形成生产力。
合成与少量真实遥操可能先把成功率做到约98%，剩余错误再由真实部署回流，并结合强化学习修补。王鹤所说的数据飞轮不是用真实数据替代仿真，而是让稀缺现场数据专门覆盖失败分布。
27. 具身时代真正的产品是“生产力级产品”
科研平台当然也是产品：机器人本身没有功能，卖给开发者继续研究即可。但王鹤认为现阶段人形机器人健康发展的关键，是从科研平台跨到“生产力级产品”。
生产力不要求机器人包办一个空间的所有工作，人可以处理暂未覆盖的区域；标准是单位时间产出接近人、工作持续时间足够长。若机器人慢太多、反而降低效率，它就是“落后生产力”。
银河的长期mission仍是通用，但必须“沿途下蛋”，在硬件、技能和商业化上一步一个脚印。否则公司要么退化为学术机构，要么成为无法规模复制、产值有限的项目公司。
28. 行业验真要从拒绝隐藏遥操开始
王鹤认为美国市场对无产品创新的容忍更高，也放大了具身泡沫。他以Figure、PI等公司为例提出两面估值逻辑：若机器人真能稳定上产线，长期价值可达数万亿美元；若只有十几二十台且未常态运营，数百亿美元估值就需要重新审视。
国外一些演示会把操作者藏在后台，且不明确说明这是主动遥操作；国内更危险的乱象是“不告诉别人我是遥操，但实际是遥操”。银河给出的第一条规则是：“公开展示，而且不允许遥操。”
第二条证据是长期工作量：机器人进场后每天究竟干多少活、是否有连续报告、平台方能否认证。银河无人药店一天处理几百单并常态化运营；相比之下，视频和战略协议正变得越来越没有说服力。
29. 五年万台是路线之争，也是行业信用的倒计时
机器人领域会长期存在类似Waymo与特斯拉的路线之争：有些公司基因上依赖真实数据，缺少自建合成管线；另一些则持续投入仿真。王鹤提到NVIDIA基于NeRF建设环境渲染平台，而部分中小自动驾驶公司的内部仿真“如同儿戏”。
真实采集未来会成为重要支撑，但条件是硬件稳定、规模量产、制造成本被摊薄，采集流程还能通过马来西亚等低成本地区提高效率。若行业尚无年收入超过100亿元的公司，就不可能常态化每年投入几十亿元采数据。
王鹤要求五年内中美头部企业至少出现“当年一万台”规模的自主机器人应用；否则技术周期会拉长、资本热情退却，“我们这领域被证伪了，泡沫全是泡沫”，甚至可能进入冰河期。
30. 人口约束把长期理想主义变成了眼前责任
王鹤认为中国每过五年，可用劳动力都会因老龄化、少子化继续收缩，未来十至二十年甚至“可能不到今天的一半”；日本已经出现各年龄段普遍缺人，而中国若缺一亿劳动力，即使把中国、日本及周边国家的人口加在一起，也不足以补足如此大的缺口。
因而最危险的承诺是“你采了就能训出来，你建厂就能够有技能，我卖机器人、你来采，明天它就是你的员工”。一旦大规模失败案例砸掉行业招牌，不只是企业估值受损，中国也可能失去一条弥补制造业和服务业劳动力的路线。
家用机器人不会一步到达全能状态。王鹤预计先出现“轻干活、重陪伴和娱乐”的产品，再逐渐从冰箱取饮料等轻任务扩展到清洁马桶、处理下水道；未来三到五年可能有小批量pilot，真正通用仍有几十年探索空间。
31. 黄仁勋看重的是合成数据能否把GPU变成机器人基础设施
王鹤理解自己被安排坐在黄仁勋旁边，是因为NVIDIA与银河通用都重视 synthetic data：GPU既能做物理渲染和仿真，又能训练模型；若路线走通，NVIDIA就可能支撑具身智能的“半边天”。
在NVIDIA机器人业务副总裁等人多次考察银河后，王鹤在饭桌上用手机向黄仁勋展示完全用合成数据完成的一系列工作。技术之外，他发现黄仁勋能吃辣，水煮肉片吃得不错，也会热情回应变脸表演。
让他印象更深的是黄仁勋的工作状态：除同桌外，黄仁勋逐桌敬酒、合影。王鹤称其既亲和又是“劳模”，即便企业已做到如此规模，CEO仍亲自完成高强度沟通。
32. 具身智能的终局仍远超VLA，价值却不必等到通用
王鹤提醒，行业对人类中枢运动控制的理解仍很初级：小脑拥有比大脑更多的神经元，动作生成与控制也并非公众直觉中的简单分工。无论VLA还是“大模型套小模型”，都远未穷尽全身协调的秘密。
这意味着具身智能不可能在一两年迎来“大成熟、大圆满”，却不妨碍专用生产力先产生经济价值。他按每名员工年薪20万元举例：机器人若承担一万人的工作，一年就是20亿元；考虑到机器人可能多班倒，对应的规模经济价值可接近100亿元，而不是等到完全通用才有收入。
《时间简史》让他形成追问事物本质和第一性原理的习惯，《三国演义》则让他研究乱世中的策略、性格和组织结局。他最佩服曹操的现实手段和诸葛亮的理想主义，希望“解决问题的手段像曹操”，同时守住诸葛亮式初心。
这份初心也限定了机器人产业的社会目标：生产力若只被理解为抢走人的工作，全世界终会反对；真正可持续的方向应服务劳动力缺口并保证社会健康发展。科研上则要聚焦一两项真正重要的突破，不为论文数量包装“明知道不work”的小发明。